你说奇怪不？AI明明大幅提升了工作效率，可人们反而觉得更疲惫了。
最近，一篇题为《AI疲劳真实存在，却无人愿意提及》的文章在开发者圈子里引发了广泛共鸣。其中有个细节特别戳心——作者Siddhant Khare是专业程序员，也是OpenFGA的核心维护者，参与过多个项目。按理说，这类技术高手对AI的掌控力远超常人，但他同样感到力不从心。
你看看最近一两年冒出来的那些新名词：OpenClaw、Moltbook、GPT-5.3、Claude Opus 4.6……光是听着就让人头大。可你又不得不去学习，否则很快就会被贴上“落伍”的标签。
这并非个例。当他把这些经历分享到论坛上后，底下一堆人跟帖共鸣。有人说：“我感觉自己不像效率变高了，反倒像个懒散的保姆，只能勉强维持着这些AI‘孩子’不受伤。”还有人坦言：“AI让我更容易分心，一天工作结束后只剩下内疚感。”
感觉身体被掏空
那么，这背后到底是什么原因？原作者分析后认为，是多个因素叠加导致的。
效率提升带来的负担
首先，AI确实带来了效率提升。以前一天的工作量，现在可能一小时就能完成。但这并不意味着可以摸鱼。上级也会注意到这种高效，于是很乐意为开发者增加任务——能者多劳。结果就是你需要在一天内同时处理6个1小时的AI任务。每个任务都特别零碎，频繁切换上下文对精力的消耗是成倍的。
这里存在一个明显的悖论：AI降低了生产成本，却同步增加了协调、审核和决策的成本。而这些额外成本，最终还是要由人来承担。
从创造者到审查者的身份转变
过去，开发者的流程是自己写代码、测试、发布系统，享受的是从0到1的创造过程。现在变成了：提示→等待输出→评估→修正→重新提示。角色定位从创造者变成了质检员，从生成性工作转向评估性工作。
审查AI生成的代码比审查人类同事的代码更累。因为每一行都可能是雷区，你永远不知道哪里藏着问题。持续的评估不仅加剧决策疲劳，还会一点点蚕食掉你解决问题带来的成就感。
AI输出的不确定性与焦虑
工程师习惯的是确定性：输入相同，输出相同。但AI是概率性的。同样的提示词，今天能给你一段不错的代码，明天就变成一堆垃圾，连原因都找不到。这种不可预测性要求你必须时刻保持高度警惕，没法真正放松下来。除非你能彻底接受这种状态，提前做好重写的心理准备——但这几乎不可能。
不断更迭的AI工具
AI发展的速度实在太快。每周都有新模型、新协议冒出来。今天你花大力气学了一个工具，明天新的SOTA又来了。比如Claude Code这几个月就先后发布了sub-agents、skills、Agent SDK、Claude Cowork；OpenAI那边也有Codex CLI、GPT-5.3-Codex、Swarm框架；Kimi K2.5能同时协调上百个Agent并行；OpenClaw又搞了个模块化的skills市场……根本学不完。不学又不行，否则很快就会被前沿甩下。
你耗费大量业余时间去追赶，但对实际效率的提升却微乎其微。而且很难深入，始终在不停切换学习方向。结果每天的脑容量都被用来适应和焦虑新进展，而不是解决实际问题。
无限循环的提示改写
这是AI生成过程中的一个陷阱。你总会觉得，只要再微调一下提示词，就能得到理想结果。原作者称之为“再来一次提示”陷阱。为了让AI输出更好，你开始无限循环地修改提示词，最后发现，其实自己写可能更快。而且随着边际效应递减，每次迭代带来的改善越来越不明显，最终你彻底偏离了“发布功能”这一第一性原理，而是全身心聚焦在让AI输出完美结果上。等你意识到时，往往已经晚了。
思维能力的退化
过度依赖AI，会导致大脑的思考能力萎缩。前面就有人举了个例子：过去没有GPS的时候，人们会在脑子里构建地图、推断路线，现在离了导航寸步难行。大脑就是这样——你不用它，它就退化。过多依赖AI，那些解决问题的能力确实会逐渐消失——这一点已经被不少研究证实过。
社交媒体的比较陷阱
互联网时代，所有人都在展示成果：“我用AI两小时构建了整个应用程序”“一分钟理解OpenClaw”。很少有人分享失败经历，这就让屏幕对面的你感到焦虑，觉得自己是不是哪里跟不上。其实，还有很多人和你一样，卡在了第一步——配置环境。比较是压力的元凶。
所以，可以把AI疲劳看作个人因AI快速发展而产生的疲惫感——一种被迫适应变化而承受的心理、情感和运营压力。说到底就是四个字：过犹不及。
放过自己，享受AI
针对这种情况，原作者提出了一套可持续的工作方式：
- 限时使用：给AI任务设定一个闹钟，30分钟内搞不定就手动完成。
- 区分思维时间和执行时间：每天早上坚持不用AI，用纸笔思考架构，保持大脑活跃；下午再交给AI辅助执行。
- 接受70%原则：不强求AI输出完美代码，达到70%可用即可，剩余部分手动调整。
- 关注底层而非表层：不要过度追逐每一个新工具，多关注更耐用的底层逻辑，比如上下文管理、安全权限等。
- 实时记录：坚持记录AI在不同任务中的效率，弄清楚什么时候该用、什么时候该停。
- 停止全量审查：把精力集中在最关键的部分，比如安全边界、数据处理、错误处理路径等。其余部分依赖自动化测试和静态分析，接受非关键代码的粗糙。
说到底，AI时代的真正相处之道不是怎么用得更多，而是知道什么时候该停下来。AI提效，透支的不只是电力和算力，还有人的精力上限。工程师们应该像设计系统一样，为自己的大脑设计缓冲区，确保可持续产出，而不是盲目追求产量的最大化。
更终极的解法嘛——适当摸鱼，确实有助于缓解疲劳。